How computers are learning to be creative | Blaise Agüera y Arcas

Traducător: Stefana Alexandra Vasilescu Corector: Razvan Cristian Duia

So, I lead a team at Google that works on machine intelligence;

Conduc o echipă Google care se ocupa de inteligenţa artificială;

in other words, the engineering discipline of making computers and devices

adică disciplina inginerească a creării de computere şi dispozitive

able to do some of the things that brains do.

ce pot face câteva din lucrurile făcute de creier.

And this makes us interested in real brains

Asta ne face să fim interesaţi de creierele reale şi de neurostiinţă,

and neuroscience as well,

and especially interested in the things that our brains do

dar mai ales de lucrurile pe care creierele noastre le fac

that are still far superior to the performance of computers.

la niveluri mult superioare performanţelor computerelor.

Historically, one of those areas has been perception,

Cronologic, unul din aceste domenii a fost percepţia:

the process by which things out there in the world --

procesul prin care lucruri din lumea reală

sounds and images --

– sunete şi imagini –

can turn into concepts in the mind.

se pot transforma în concepte ale minţii.

This is essential for our own brains,

Asta e esenţial pentru creierul nostru

and it's also pretty useful on a computer.

şi e destul de util şi pentru un computer.

The machine perception algorithms, for example, that our team makes,

De exemplu, algoritmii de percepţie artificială creaţi de noi,

are what enable your pictures on Google Photos to become searchable,

sunt cei ce permit ca fotografiile voastre din Google Photos să poată fi căutate,

based on what's in them.

în funcţie de ce conţin.

The flip side of perception is creativity:

Reversul percepţiei e creativitatea:

turning a concept into something out there into the world.

transformarea unui concept în ceva real, concret.

So over the past year, our work on machine perception

În ultimul an, munca noastră în domeniul percepţiei artificiale

has also unexpectedly connected with the world of machine creativity

s-a conectat în mod surprinzător şi cu lumea creativităţii artificiale

and machine art.

şi a artei artificiale.

I think Michelangelo had a penetrating insight

Cred că Michelangelo a avut o intuiţie profundă

into to this dual relationship between perception and creativity.

privind această relaţie duală dintre percepţie şi creativitate.

This is a famous quote of his:

Iată un citat faimos al lui:

"Every block of stone has a statue inside of it,

„Fiecare bucată de piatră are o statuie în interiorul său,

and the job of the sculptor is to discover it."

iar rolul sculptorului e să o descopere”.

So I think that what Michelangelo was getting at

Cred că ce intuia Michelangelo

is that we create by perceiving,

e că noi creăm prin percepţie

and that perception itself is an act of imagination

şi că percepţia însăşi e un act de imaginaţie

and is the stuff of creativity.

şi ţine de creativitate.

The organ that does all the thinking and perceiving and imagining,

Organul ce se ocupă de gândire, percepţie şi imaginaţie e, desigur, creierul.

of course, is the brain.

And I'd like to begin with a brief bit of history

Aş vrea să încep cu puţină istorie

about what we know about brains.

despre ce ştim despre creier.

Because unlike, say, the heart or the intestines,

Spre deosebire de inimă sau intestine

you really can't say very much about a brain by just looking at it,

nu poţi spune prea multe despre un creier doar uitându-te la el,

at least with the naked eye.

cel puţin nu cu ochiul liber.

The early anatomists who looked at brains

Primii anatomişti care se uitau la creierul uman

gave the superficial structures of this thing all kinds of fanciful names,

au dat structurilor superficiale ale acestuia tot felul de nume fanteziste,

like hippocampus, meaning "little shrimp."

ca hipocamp, care înseamnă „crevete mic”.

But of course that sort of thing doesn't tell us very much

Lucruri de genul ăsta nu ne spun mare lucru

about what's actually going on inside.

despre ce se petrece de fapt în interior.

The first person who, I think, really developed some kind of insight

Prima persoană care cred că a înţeles oarecum

into what was going on in the brain

ce se petrece în creier,

was the great Spanish neuroanatomist, Santiago Ramón y Cajal,

a fost marele neuroanatonomist spaniol din secolul 19, Santiago Ramón y Cajal,

in the 19th century,

who used microscopy and special stains

care a folosit microscopia şi coloraţii speciale

that could selectively fill in or render in very high contrast

ce puteau umple selectiv, să redea în contrast foarte înalt

the individual cells in the brain,

celulele individuale ale creierului,

in order to start to understand their morphologies.

ca să poată începe să le înţeleagă morfologia.

And these are the kinds of drawings that he made of neurons

Iată desenele neuronilor făcute de el în secolul 19.

in the 19th century.

This is from a bird brain.

Ăsta e de la creierul unei păsări.

And you see this incredible variety of different sorts of cells,

Vedeţi aceasta varietate incredibilă de diverse tipuri de celule,

even the cellular theory itself was quite new at this point.

chiar şi teoria celulară era destul de nouă la acel moment.

And these structures,

Iar aceste structuri,

these cells that have these arborizations,

aceste celule ce au aceste ramificaţii,

these branches that can go very, very long distances --

aceste ramuri ce pot ajunge la distanţe foarte mari...

this was very novel at the time.

asta era o mare noutate atunci.

They're reminiscent, of course, of wires.

Seamănă, desigur, cu firele.

That might have been obvious to some people in the 19th century;

E posibil ca asta să fi fost evident pentru unii din secolul 19;

the revolutions of wiring and electricity were just getting underway.

revoluţia tehnologică a cablurilor şi electricităţii tocmai începea.

But in many ways,

Dar în multe sensuri,

these microanatomical drawings of Ramón y Cajal's, like this one,

desenele de microanatomie ale lui Ramón y Cajal, precum acesta,

they're still in some ways unsurpassed.

sunt încă, într-un fel, inegalabile.

We're still more than a century later,

După mai mult de un secol,

trying to finish the job that Ramón y Cajal started.

încă încercăm să terminăm opera începută de Ramón y Cajal.

These are raw data from our collaborators

Astea sunt datele brute de la colaboratorii noştri

at the Max Planck Institute of Neuroscience.

de la Institutul de Neuroştiintă Max Planck.

And what our collaborators have done

Colaboratorii noştri

is to image little pieces of brain tissue.

au scanat mici părţi de ţesut cerebral.

The entire sample here is about one cubic millimeter in size,

Întreaga mostră de aici are cam un milimetru cub,

and I'm showing you a very, very small piece of it here.

iar eu vă arăt aici doar o foarte mică parte din ea.

That bar on the left is about one micron.

Acea linie din stânga are aproape un micron.

The structures you see are mitochondria

Structurile pe care le vedeţi sunt mitocondrii,

that are the size of bacteria.

ce au dimensiunile unei bacterii.

And these are consecutive slices

Astea sunt secţiuni consecutive

through this very, very tiny block of tissue.

prin aceasta foarte mică bucată de ţesut.

Just for comparison's sake,

Doar de dragul comparaţiei,

the diameter of an average strand of hair is about 100 microns.

diametrul mediu al unui fir de păr e de aproximativ 100 de microni.

So we're looking at something much, much smaller

Deci ne uităm la ceva mult, mult mai mic

than a single strand of hair.

decât un singur fir de par.

And from these kinds of serial electron microscopy slices,

Din aceste tipuri de felii consecutive de microscopie electronică,

one can start to make reconstructions in 3D of neurons that look like these.

se pot face reconstrucţii 3D ale neuronilor care arată aşa.

So these are sort of in the same style as Ramón y Cajal.

Sunt cam în acelaşi stil ca cele ale lui Ramón y Cajal.

Only a few neurons lit up,

Doar caţiva neuroni se aprind,

because otherwise we wouldn't be able to see anything here.

deoarece altfel nu am putea distinge nimic aici.

It would be so crowded,

Ar fi atât de aglomerat,

so full of structure,

atât de plin de structuri,

of wiring all connecting one neuron to another.

de fire care conectează un neuron de celălalt.

So Ramón y Cajal was a little bit ahead of his time,

Ramón y Cajal a fost cu un pas înaintea epocii sale,

and progress on understanding the brain

iar dezvoltarea înţelegerii creierului

proceeded slowly over the next few decades.

a continuat încet în următoarele decenii.

But we knew that neurons used electricity,

Dar ştiam că neuronii folosesc electricitate

and by World War II, our technology was advanced enough

şi prin 1940, tehnologia era destul de avansată

to start doing real electrical experiments on live neurons

ca să facem experimente electrice pe neuroni vii

to better understand how they worked.

pentru a înţelege mai bine cum funcţionează.

This was the very same time when computers were being invented,

În exact aceeaşi perioadă erau inventate computerele,

very much based on the idea of modeling the brain --

care se bazau pe ideea modelării creierului

of "intelligent machinery," as Alan Turing called it,

– a „maşinăriei inteligente”, cum a numit-o Alan Turing,

one of the fathers of computer science.

unul dintre părinţii informaticii.

Warren McCulloch and Walter Pitts looked at Ramón y Cajal's drawing

Warren McCulloch şi Walter Pitts s-au uitat la desenul lui Ramón y Cajal

of visual cortex,

cu cortexul vizual – pe care îl vedeţi aici.

which I'm showing here.

This is the cortex that processes imagery that comes from the eye.

Acesta este cortexul care procesează imaginile venite de la ochi.

And for them, this looked like a circuit diagram.

Pentru ei, asta arată ca diagrama unui circuit electric.

So there are a lot of details in McCulloch and Pitts's circuit diagram

Sunt multe detalii din diagrama lui McCulloch şi Pitts

that are not quite right.

care nu sunt tocmai corecte.

But this basic idea

Dar ideea de bază,

that visual cortex works like a series of computational elements

că acest cortex vizual funcţionează ca o serie de elemente computaţionale

that pass information one to the next in a cascade,

care transmit informaţia unul către altul în cascadă,

is essentially correct.

e în esenţă corectă.

Let's talk for a moment

Hai să vorbim puţin

about what a model for processing visual information would need to do.

despre ce ar trebui să facă un model al procesării informaţiei vizuale.

The basic task of perception

Sarcina principală a percepţiei

is to take an image like this one and say,

e să ia o imagine ca aceasta şi să zică,

"That's a bird,"

„Aia e o pasăre”,

which is a very simple thing for us to do with our brains.

un lucru simplu pentru creierul nostru.

But you should all understand that for a computer,

Trebuie să înţelegeţi că pentru un computer,

this was pretty much impossible just a few years ago.

asta era imposibil acum câţiva ani.

The classical computing paradigm

Paradigma computaţională clasică,

is not one in which this task is easy to do.

nu e una în care sarcina asta e uşor de îndeplinit.

So what's going on between the pixels,

Deci ce se întâmplă între pixeli,

between the image of the bird and the word "bird,"

între imaginea păsării şi cuvântul „pasăre”,

is essentially a set of neurons connected to each other

e de fapt un set de neuroni interconectaţi într-o reţea neuronală,

in a neural network,

as I'm diagramming here.

ca în această diagramă.

This neural network could be biological, inside our visual cortices,

Această reţea neuronală poate fi biologică, în cortexul vizual,

or, nowadays, we start to have the capability

sau, acum începem să avem capacitatea să modelăm

to model such neural networks on the computer.

astfel de reţele neuronale pe calculator.

And I'll show you what that actually looks like.

Iată cum arată asta de fapt.

So the pixels you can think about as a first layer of neurons,

Vă puteţi imagina pixelii ca primul strat de neuroni,

and that's, in fact, how it works in the eye --

de fapt, aşa funcţionează ochiul

that's the neurons in the retina.

– sunt neuronii din retină.

And those feed forward

Ei transmit semnalul mai departe

into one layer after another layer, after another layer of neurons,

prin straturi de neuroni consecutive,

all connected by synapses of different weights.

conectate prin sinapse de diferite dimensiuni.

The behavior of this network

Comportarea acestei reţele

is characterized by the strengths of all of those synapses.

e caracterizată de puterile tuturor sinapselor.

Those characterize the computational properties of this network.

Ele caracterizează trăsăturile computaţionale ale acestei reţele.

And at the end of the day,

Iar la final

you have a neuron or a small group of neurons

veţi avea un neuron sau un grup mic de neuroni

that light up, saying, "bird."

care se aprind zicând „pasăre”.

Now I'm going to represent those three things --

Voi reprezenta acum acele trei lucruri:

the input pixels and the synapses in the neural network,

pixelii de intrare şi sinapsele din reţeaua neuronală,

and bird, the output --

şi pasărea – rezultatul –

by three variables: x, w and y.

prin trei variabile: x, w, şi y.

There are maybe a million or so x's --

Pot fi aproximativ un milion de x,

a million pixels in that image.

un milion de pixeli în acea imagine.

There are billions or trillions of w's,

Sunt miliarde sau un trilioane de w,

which represent the weights of all these synapses in the neural network.

care reprezintă puterea tuturor sinapselor din reţeaua neuronală.

And there's a very small number of y's,

Mai exista un număr foarte mic de y,

of outputs that that network has.

de rezultate ale reţelei.

"Bird" is only four letters, right?

„Pasăre” are doar 6 litere, corect?

So let's pretend that this is just a simple formula,

Să spunem că asta e doar o formulă simplă

x "x" w = y.

x "x" w = y.

I'm putting the times in scare quotes

Pun înmulţirea între ghilimele

because what's really going on there, of course,

pentru că acolo se petrece, de fapt,

is a very complicated series of mathematical operations.

o serie foarte complicată de operaţii matematice,

That's one equation.

avem o ecuaţie.

There are three variables.

Avem trei variabile.

And we all know that if you have one equation,

Cu toţii ştim că dacă ai o ecuaţie

you can solve one variable by knowing the other two things.

poţi afla o variabilă dacă le ştii pe celelalte două.

So the problem of inference,

Deci problema deducţiei,

that is, figuring out that the picture of a bird is a bird,

adică să descoperi că imaginea unei păsări e o pasăre

is this one:

e aceasta:

it's where y is the unknown and w and x are known.

y e necunoscut în timp ce w şi x sunt cunoscute.

You know the neural network, you know the pixels.

Cunoaştem reţeaua neuronală, cunoaştem pixelii.

As you can see, that's actually a relatively straightforward problem.

Cum puteţi vedea, e o problemă relativ simplă.

You multiply two times three and you're done.

Înmulţim 2 ori 3 şi am rezolvat.

I'll show you an artificial neural network

Vă voi arăta o reţea neuronală artificială

that we've built recently, doing exactly that.

pe care am creat-o recent.

This is running in real time on a mobile phone,

Aceasta rulează în timp real pe un telefon mobil,

and that's, of course, amazing in its own right,

şi deja acest lucru e uimitor,

that mobile phones can do so many billions and trillions of operations

că telefoanele pot face aşa multe miliarde şi trilioane de operaţii/secundă.

per second.

What you're looking at is a phone

Acesta e un telefon

looking at one after another picture of a bird,

care se uită la o serie de imagini ale unei păsări,

and actually not only saying, "Yes, it's a bird,"

şi nu zice doar „da, e o pasăre”,

but identifying the species of bird with a network of this sort.

dar identifică şi specia păsării, folosind o reţea de acest tip.

So in that picture,

Deci în acea poză,

the x and the w are known, and the y is the unknown.

x şi w sunt cunoscute iar y e necunoscut.

I'm glossing over the very difficult part, of course,

Sar peste partea foarte dificilă,

which is how on earth do we figure out the w,

anume, cum reuşim să-l descoperim w,

the brain that can do such a thing?

care e creierul care poate face asta?

How would we ever learn such a model?

Cum am putea găsi un astfel de model?

So this process of learning, of solving for w,

Acest proces al învăţării, al aflării lui w,

if we were doing this with the simple equation

dacă am face asta cu ecuaţia simplă

in which we think about these as numbers,

în care gândim variabilele ca numere,

we know exactly how to do that: 6 = 2 x w,

ştim exact cum s-o rezolvăm: 6 = 2 x w,

well, we divide by two and we're done.

împărţim la 2 şi am terminat.

The problem is with this operator.

Problema e cu acest operator.

So, division --

Împărţirea

we've used division because it's the inverse to multiplication,

– folosim împărţirea deoarece e inversul înmulţirii,

but as I've just said,

dar, aşa cum am spus,

the multiplication is a bit of a lie here.

înmulţirea e o mică minciună aici –

This is a very, very complicated, very non-linear operation;

e o operaţie foarte complicată, foarte non-lineară,

it has no inverse.

nu are un invers.

So we have to figure out a way to solve the equation

Deci trebuie să găsim un mod de a rezolva ecuaţia

without a division operator.

fără a folosi împărţirea.

And the way to do that is fairly straightforward.

Iar soluţia e destul de simplă.

You just say, let's play a little algebra trick,

Să zicem că facem un truc aritmetic

and move the six over to the right-hand side of the equation.

şi mutăm cifra 6 în partea dreapta a ecuaţiei.

Now, we're still using multiplication.

Astfel încă folosim înmulţirea.

And that zero -- let's think about it as an error.

Iar acel zero, să-l privim ca pe o eroare.

In other words, if we've solved for w the right way,

Altfel spus, dacă am aflat w în modul corect,

then the error will be zero.

atunci eroarea va fi zero.

And if we haven't gotten it quite right,

Dacă am greşit,

the error will be greater than zero.

eroarea va fi mai mare decât zero.

So now we can just take guesses to minimize the error,

Acum putem încerca să ghicim, pentru a reduce eroarea.

and that's the sort of thing computers are very good at.

Ăsta e unul din lucrurile la care computerele excelează.

So you've taken an initial guess:

Deci iniţial am presupus:

what if w = 0?

dacă w = 0? Eroarea ar fi 6.

Well, then the error is 6.

What if w = 1? The error is 4.

Dacă w = 1? Eroarea e 4.

And then the computer can sort of play Marco Polo,

Atunci computerul ar putea să o ia pe bâjbâite,

and drive down the error close to zero.

şi ar reduce eroarea până aproape de zero.

As it does that, it's getting successive approximations to w.

Pe măsură ce face asta, obţine aproximări succesive ale lui w.

Typically, it never quite gets there, but after about a dozen steps,

Normal, nu ajunge la rezultatul exact, dar cam după o duzină de paşi,

we're up to w = 2.999, which is close enough.

ajungem la w = 2,999, ceea ce e destul de aproape.

And this is the learning process.

Acesta e procesul de învăţare.

So remember that what's been going on here

Recapitulând, ce facem aici

is that we've been taking a lot of known x's and known y's

e să luăm o groază de x şi y cunoscuţi

and solving for the w in the middle through an iterative process.

ca să-l descoperim w printr-un proces iterativ.

It's exactly the same way that we do our own learning.

E exact aşa cum facem noi când învăţăm.

We have many, many images as babies

Ca bebeluşi vedem multe, multe imagini

and we get told, "This is a bird; this is not a bird."

şi ni se spune „asta e o pasăre, asta nu e o pasăre”.

And over time, through iteration,

Cu timpul, prin repetiţie,

we solve for w, we solve for those neural connections.

îl aflăm pe w, descoperim conexiunile neuronale.

So now, we've held x and w fixed to solve for y;

Acum am păstrat constante x şi w pentru a-l afla pe y;

that's everyday, fast perception.

asta e percepţia rapidă, de zi cu zi.

We figure out how we can solve for w,

Ne dăm seama cum putem descoperi w,

that's learning, which is a lot harder,

asta e învăţarea, care e mult mai grea,

because we need to do error minimization,

deoarece trebuie să minimizăm eroarea prin multe încercări de învăţare.

using a lot of training examples.

And about a year ago, Alex Mordvintsev, on our team,

Cam acum un an, Alex Mordvintsev din echipa noastră,

decided to experiment with what happens if we try solving for x,

a hotărât să vadă ce se întâmplă dacă încercăm să descoperim x,

given a known w and a known y.

când sunt date w şi y.

In other words,

Cu alte cuvinte,

you know that it's a bird,

ştiţi că e o pasăre

and you already have your neural network that you've trained on birds,

şi aveţi deja reţeaua neuronală care a fost pregătită pe păsări,

but what is the picture of a bird?

dar ce este imaginea unei păsări?

It turns out that by using exactly the same error-minimization procedure,

Folosind aceeaşi procedură de minimizare a erorii,

one can do that with the network trained to recognize birds,

se poate face asta cu reţeaua pregătită să recunoască păsări,

and the result turns out to be ...

iar rezultatul va fi...

a picture of birds.

o imagine cu păsări.

So this is a picture of birds generated entirely by a neural network

Asta e o imagine cu păsări generată integral de o reţea neuronală

that was trained to recognize birds,

pregătită să recunoască păsări,

just by solving for x rather than solving for y,

doar cerându-i să-l afle pe x în loc să-l afle pe y

and doing that iteratively.

şi făcând asta iterativ.

Here's another fun example.

Iată un alt exemplu distractiv.

This was a work made by Mike Tyka in our group,

E o lucrare făcută de Mike Tyka în grupul nostru,

which he calls "Animal Parade."

intitulată „Parada animalelor”.

It reminds me a little bit of William Kentridge's artworks,

Seamănă puţin cu operele de artă ale lui William Kentridge,

in which he makes sketches, rubs them out,

în care face schiţe, le şterge,

makes sketches, rubs them out,

face schiţe, le sterge,

and creates a movie this way.

şi aşa face un film.

In this case,

În acest caz,

what Mike is doing is varying y over the space of different animals,

Mike îl modifică pe y în funcţie de diferite animale,

in a network designed to recognize and distinguish

într-o reţea creată să recunoască şi să distingă diferite animale,

different animals from each other.

And you get this strange, Escher-like morph from one animal to another.

iar rezultatul e o metamorfoză ciudată de tip Escher, de la un animal la altul.

Here he and Alex together have tried reducing

Aici el şi Alex au încercat să-l reducă pe y

the y's to a space of only two dimensions,

la un spaţiu cu două dimensiuni,

thereby making a map out of the space of all things

făcând astfel o hartă din spaţiul tuturor lucrurilor

recognized by this network.

recunoscute de această reţea..

Doing this kind of synthesis

Făcând acest tip de sinteză

or generation of imagery over that entire surface,

sau generare a imaginilor pe întreaga suprafaţă,

varying y over the surface, you make a kind of map --

schimbându-l pe y pe suprafaţă, faci un fel de hartă,

a visual map of all the things the network knows how to recognize.

o hartă vizuală a tuturor lucrurilor pe care reţeaua le recunoaşte.

The animals are all here; "armadillo" is right in that spot.

Animalele sunt aici; Tatuul (armadillo) e în punctul ăla.

You can do this with other kinds of networks as well.

Se poate face asta şi cu alte tipuri de reţele.

This is a network designed to recognize faces,

Asta e o reţea creată să recunoască feţe,

to distinguish one face from another.

sa distingă un chip de altul.

And here, we're putting in a y that says, "me,"

Aici introducem un y numit „eu”,

my own face parameters.

parametrii chipului meu.

And when this thing solves for x,

Iar când îl află pe x,

it generates this rather crazy,

generează această imagine a mea

kind of cubist, surreal, psychedelic picture of me

nebuneasca, cubista, suprarealista, psihedelică

from multiple points of view at once.

combinând mai multe puncte de vedere.

The reason it looks like multiple points of view at once

Pare că sunt mai multe puncte de vedere simultan

is because that network is designed to get rid of the ambiguity

pentru că reţeaua e creată ca să elimine ambiguitatea

of a face being in one pose or another pose,

unui chip pus într-o postură sau alta,

being looked at with one kind of lighting, another kind of lighting.

văzut într-o lumină sau alta.

So when you do this sort of reconstruction,

Când faci acest tip de reconstrucţie,

if you don't use some sort of guide image

dacă nu foloseşti o imagine de control

or guide statistics,

sau statistici de control,

then you'll get a sort of confusion of different points of view,

atunci vei avea un fel de confuzie a mai multor puncte de vedere

because it's ambiguous.

deoarece e ambiguu.

This is what happens if Alex uses his own face as a guide image

Asta se întâmplă dacă Alex foloseşte chipul său ca imagine de control

during that optimization process to reconstruct my own face.

în timpul procesului de optimizare pentru reconstrucţia feţei mele.

So you can see it's not perfect.

Puteţi vedea că nu e perfect.

There's still quite a lot of work to do

E încă destul de multă muncă

on how we optimize that optimization process.

pentru optimizarea acestui proces de optimizare,

But you start to get something more like a coherent face,

dar începem să obţinem ceva ce aduce mai mult cu o faţă,

rendered using my own face as a guide.

Când folosim ca referinţă chipul meu.

You don't have to start with a blank canvas

Nu trebuie început cu o pânză goală

or with white noise.

sau cu zgomot alb.

When you're solving for x,

Când vrei să-l afli pe x,

you can begin with an x, that is itself already some other image.

poţi începe cu un x care deja e el însuşi o altă imagine.

That's what this little demonstration is.

Asta reprezintă aceasta mică demonstraţie.

This is a network that is designed to categorize

Asta e o reţea creată să clasifice

all sorts of different objects -- man-made structures, animals ...

tot felul de obiecte diferite – structuri create de om, animale...

Here we're starting with just a picture of clouds,

Aici începem cu imaginea unor nori,

and as we optimize,

şi pe măsură ce optimizăm,

basically, this network is figuring out what it sees in the clouds.

această reţea îşi imaginează ce vede în nori.

And the more time you spend looking at this,

Cu cât priviţi asta mai mult,

the more things you also will see in the clouds.

cu atât mai multe lucruri veţi vedea şi voi în nori.

You could also use the face network to hallucinate into this,

Am putea folosi şi reţeaua chipurilor pentru a halucina astfel,

and you get some pretty crazy stuff.

şi obţii lucruri destul de nebuneşti.

(Laughter)

(Râsete)

Or, Mike has done some other experiments

Mike a făcut şi alte experimente

in which he takes that cloud image,

în care ia acea imagine a norilor,

hallucinates, zooms, hallucinates, zooms hallucinates, zooms.

halucinează, măreşte, halucinează, măreşte, halucinează, măreşte.

And in this way,

Şi în felul ăsta,

you can get a sort of fugue state of the network, I suppose,

poţi obţine un fel de fugă disociativă a reţelei, presupun,

or a sort of free association,

sau un fel de asociere liberă,

in which the network is eating its own tail.

în care reţeaua îşi mănâncă propria coada.

So every image is now the basis for,

Deci acum fiecare imagine e baza pentru:

"What do I think I see next?

„Ce cred că văd acum?

What do I think I see next? What do I think I see next?"

Ce cred că văd acum? Ce cred că văd acum?”

I showed this for the first time in public

Prima dată, am prezentat asta în public

to a group at a lecture in Seattle called "Higher Education" --

unui grup la un curs din Seattle, intitulat „Educaţia Superioară”.

this was right after marijuana was legalized.

Asta se petrecea chiar după legalizarea marijuanei.

(Laughter)

(Râsete)

So I'd like to finish up quickly

Vreau să închei repede

by just noting that this technology is not constrained.

menţionând că această tehnologie nu e restricţionată.

I've shown you purely visual examples because they're really fun to look at.

V-am arătat doar exemple vizuale deoarece sunt distractive.

It's not a purely visual technology.

Nu e doar tehnologie vizuală.

Our artist collaborator, Ross Goodwin,

Colaboratorul nostru, artistul Ross Godwin,

has done experiments involving a camera that takes a picture,

a făcut experimente cu o cameră care face o fotografie

and then a computer in his backpack writes a poem using neural networks,

şi apoi un computer din rucsacul lui scrie o poezie folosind reţelele neuronale,

based on the contents of the image.

pornind de la conţinutul imaginii.

And that poetry neural network has been trained

Acea reţea neuronală de poezie a fost antrenată

on a large corpus of 20th-century poetry.

cu o colecţie mare de poezii al secolului 20.

And the poetry is, you know,

Iar poezia nu e deloc rea după părerea mea.

I think, kind of not bad, actually.

(Laughter)

(Râsete).

In closing,

În încheiere,

I think that per Michelangelo,

în privinţa lui Michelangelo

I think he was right;

cred că avea dreptate;

perception and creativity are very intimately connected.

percepţia şi creativitatea sunt puternic conectate.

What we've just seen are neural networks

Tocmai am văzut reţele neuronale pregătite să distingă

that are entirely trained to discriminate,

or to recognize different things in the world,

sau să recunoască diferite lucruri din lume,

able to be run in reverse, to generate.

ce pot fi rulate în sens invers, ca să genereze.

One of the things that suggests to me

Unul din lucrurile sugerate de asta

is not only that Michelangelo really did see

e nu numai că Michelangelo chiar a văzut

the sculpture in the blocks of stone,

sculptura din interiorul blocului de piatră,

but that any creature, any being, any alien

dar că orice creatură, orice fiinţă, orice extraterestru

that is able to do perceptual acts of that sort

care e capabil de acte perceptive de acel gen

is also able to create

e capabil şi să creeze

because it's exactly the same machinery that's used in both cases.

deoarece acelaşi mecanism e folosit în ambele cazuri.

Also, I think that perception and creativity are by no means

Cred de asemenea că percepţia şi creativitatea nu sunt exclusiv umane.

uniquely human.

We start to have computer models that can do exactly these sorts of things.

Începem să avem modele informatice care fac exact genul ăsta de lucruri.

And that ought to be unsurprising; the brain is computational.

Asta nu ar trebui să ne surprindă: creierul e computaţional.

And finally,

Şi în sfârşit,

computing began as an exercise in designing intelligent machinery.

informatica început ca un exerciţiu de creare a inteligenţei artificiale.

It was very much modeled after the idea

A fost modelată după ideea

of how could we make machines intelligent.

„cum putem face maşinăriile inteligente”.

And we finally are starting to fulfill now

Acum începem să împlinim

some of the promises of those early pioneers,

câteva dintre promisiunile primilor pioneri,

of Turing and von Neumann

ale lui Turing şi von Neumann

and McCulloch and Pitts.

şi McCulloch şi Pitts.

And I think that computing is not just about accounting

Cred că informatica nu mai însemnă doar contabilitate,

or playing Candy Crush or something.

sau să joci Candy Crush sau altceva.

From the beginning, we modeled them after our minds.

Încă de la început, le-am creat după minţile noastre.

And they give us both the ability to understand our own minds better

Şi ne-au dat capacitatea să ne înţelegem mai bine propriile minţi

and to extend them.

şi să le extindem.

Thank you very much.

Vă mulţumesc foarte mult.

(Applause)

(Aplauze)